多样性度量

1 基本概念

1.1 多样性的定义与分类

多样性度量是生态学中用于量化特定区域内生物种类丰富程度、分布均匀程度及物种间差异的统计方法体系。根据观测尺度和研究目的的不同，物种多样性通常被划分为三个基本类别：α多样性、β多样性和γ多样性。这一分类框架由生态学家Robert H. Whittaker于1960年提出，至今仍是生物多样性研究的核心范式。

1.1.1 α多样性

α多样性指某个特定生境或群落内部物种的多样性，反映的是局部尺度上的物种组成特征。它综合考量两个要素：一是物种数目（丰富度），二是各物种个体数量分布的均匀程度。例如，一片热带雨林中的100平方米样方所包含的树种及其个体数量分布，即可通过α多样性进行描述。α多样性越高，通常意味着该生境内的物种资源越丰富，生态功能越完整。

1.1.2 β多样性

β多样性度量的是不同生境或群落之间物种组成的差异程度，即物种沿环境梯度的更替速率。若两个生境共享的物种很少，则β多样性高；若物种组成高度相似，则β多样性低。β多样性揭示了物种在空间上的分布格局，是理解区域生物多样性形成机制的关键。例如，从山脚到山顶，随着海拔升高，植物种类逐渐变化，这种物种更替的速率就是β多样性的直接体现。

1.1.3 γ多样性

γ多样性指一个较大地理区域（如一个流域、一座山脉或一个生物地理区）内的总物种多样性。它反映的是区域尺度上的物种库大小。γ多样性实际上可以理解为区域内所有α多样性的总和，同时受到β多样性的调节：当β多样性较高时，即使每个局地群落的α多样性不高，区域γ多样性也可能很高。

1.2 多样性的生态学意义

多样性度量不仅是描述群落结构的工具，更承载着深刻的生态学内涵。较高的物种多样性通常意味着生态系统具有更强的稳定性、生产力和抵抗干扰的能力。多样性与生态系统功能（如物质循环、能量流动、抵抗入侵）之间存在复杂的正相关关系。在保护生物学中，多样性度量是确定保护优先区域、评估保护成效的定量依据。此外，多样性变化还可作为环境质量变化的早期预警指标。

1.3 度量中的常见术语

1.3.1 物种丰富度

物种丰富度指一个群落或样方中物种的数目，通常用符号S表示。它是多样性度量中最基础的指标，计算简单、直观易懂。但丰富度仅考虑“有多少种”，未考虑各物种个体数量的差异，因此单独使用时信息量有限。

1.3.2 物种均匀度

物种均匀度反映群落中不同物种个体数量分布的均匀程度。当各物种个体数非常接近时，均匀度高；若少数物种占绝对优势，均匀度则低。均匀度是多样性度量的重要维度，它决定了一个群落的多样性是否“名实相符”——一个只有一种优势种的群落即使物种数不少，多样性也有限。

1.3.3 物种多度

物种多度指某个物种在群落中的个体数量或相对比例。多度数据是计算几乎所有多样性指数的基础。在生态调查中，多度可以通过直接计数、覆盖度估计或生物量测量等方式获得。不同物种的多度分布格局（如对数级数分布、对数正态分布）本身也是生态学研究的重要内容。

2 主要度量指数

2.1 基于丰富度的指数

2.1.1 物种数（S）

物种数S是最原始的多样性度量方式，即直接统计样方中出现的物种数目。它的优势在于无需任何假设，计算成本极低。但S严重依赖于样本大小：样本量越大，通常发现的物种越多。因此，在比较不同研究的物种数时，需确保抽样强度一致或使用稀疏化处理。

2.1.2 Margalef指数

Margalef指数（通常记作D_Mg）在物种数S的基础上引入样本个体总数N作为校正，公式为：D_Mg = (S-1)/ln(N)。该指数试图消除样本量对物种数的影响，使得不同抽样规模下的丰富度可以比较。但它的校正能力有限，在样本量极小时表现不稳定。

2.1.3 Menhinick指数

Menhinick指数（记作D_Mn）是另一种基于丰富度的指数，公式为：D_Mn = S/√N。与Margalef指数类似，它也用样本个体总数对物种数进行标准化。Menhinick指数计算更为简便，但同样对样本大小敏感。两者在实际应用中常被同时报告以相互验证。

2.2 基于均匀度的指数

2.2.1 Pielou均匀度指数

Pielou均匀度指数（J）将观察到的Shannon-Wiener指数值与理论上该物种数下可能达到的最大Shannon值进行比较：J = H'/H_max，其中H_max = ln(S)。J的取值范围为0到1，越接近1表示均匀度越高。Pielou指数是应用最广泛的均匀度度量指标。

2.2.2 Sheldon均匀度指数

Sheldon均匀度指数（E）采用不同的标准化思路：E = e^(H')/S，其中H'为Shannon-Wiener指数。该指数将Shannon指数值先指数化，再除以物种数，使其在0到1之间变化。Sheldon指数对稀有物种的变化更为敏感，在某些情境下能比Pielou指数更清晰地反映群落结构的变化。

2.3 综合多样性指数

2.3.1 Shannon-Wiener指数

Shannon-Wiener指数（H'）是生态学中使用最广泛的综合多样性指数。它同时考虑物种丰富度和均匀度，公式为：H' = -∑p_i·ln(p_i)，其中p_i为第i个物种的相对多度。H'值越高，表示多样性越大。

2.3.1.1 信息论基础

Shannon-Wiener指数源自信息论中Claude Shannon提出的信息熵概念。在信息论中，熵衡量一个系统中信息的不确定性或混乱程度。生态学家将其引入群落分析：一个群落中物种的多度分布越不确定（即越均匀），信息熵就越高，多样性也就越大。这一跨学科移植是生态学方法发展史上最成功的案例之一。

2.3.1.2 计算与解释

计算Shannon-Wiener指数时，需先计算各物种的相对多度p_i，然后代入公式求和。在解释上，H'没有固定的上限，其最大值随物种数增加而增大（H_max = lnS）。实际应用中，H'值通常在1.5至3.5之间，热带雨林的H'值常大于4，而人工纯林的H'值可能低于1。需要留意的是，Shannon-Wiener指数对稀有物种的变化不敏感。

2.3.2 Simpson指数

Simpson指数（D）最初由Edward Simpson于1949年提出，衡量从群落中随机抽取两个个体属于同一物种的概率。公式为：D = ∑p_i²。D值介于0到1之间，值越大表示多样性越低（优势度越高）。

2.3.2.1 概率解释

Simpson指数的核心思想源自概率：在一个完全均匀的群落中，随机抽取两个个体属于同一物种的概率较低；而在一个优势种极为突出的群落中，这一概率则较高。这种直观的概率解释使Simpson指数在非专业交流中也易于理解。

2.3.2.2 逆Simpson指数

由于原始的Simpson指数D与多样性呈反向关系，实践中更常用逆Simpson指数（1-D）或倒数形式（1/D）。逆Simpson指数（1-D）表示随机抽取两个个体属于不同物种的概率，值越大表示多样性越高。倒数形式（1/D）则具有“有效物种数”的含义——它表示与当前群落具有同等Simpson指数的均匀群落所含的物种数。这一特性使得1/D在比较不同物种数的群落时非常有用。

2.3.3 其他常见指数

2.3.3.1 Brillouin指数

Brillouin指数适用于非随机抽样（如全群落普查）的情境，公式为：H_B = (lnN! - ∑lnn_i!)/N，其中n_i为第i个物种的个体数，N为总个体数。与Shannon指数不同，Brillouin指数不假设样本是来自无限总体的随机样本，因此在调查了整个群落（如一个小型湖泊的全部鱼类）时更为合适。它的计算量较大，但在小样本或非随机调查中表现更稳定。

2.3.3.2 Fisher's α

Fisher's α是R.A. Fisher于1943年提出的多样性参数，它基于对数级数分布模型，假设物种多度分布服从一种特定的统计分布形式。Fisher's α对样本量的依赖性弱于物种数S，因此在比较不同抽样规模的研究时具有优势。但该指数对数据分布的假设较为严格，仅当群落多度分布符合对数级数模型时适用。Fisher's α在植物生态学和微生物生态学中有广泛应用。

3 β多样性度量

3.1 相异性系数

3.1.1 Jaccard指数

Jaccard指数（C_J）是最经典的β多样性度量指标之一，基于物种的有无（presence-absence）数据计算：C_J = a/(a+b+c)，其中a为两个群落共有的物种数，b和c分别为各自独有的物种数。Jaccard指数取值范围为0到1，0表示完全相似（物种组成相同），1表示完全不相似（无共享物种）。该指数简单直观，但未考虑物种多度信息。

3.1.2 Sørensen指数

Sørensen指数（C_S）也是基于有无所获得β多样性指标：C_S = 2a/(2a+b+c)。与Jaccard指数相比，Sørensen指数给予共有物种更高的权重，因此对共享物种更为敏感。在实际应用中，Sørensen指数通常略低于Jaccard指数。两者之间可以相互换算，选择哪一个主要取决于研究者的偏好和领域惯例。

3.1.3 Bray-Curtis距离

Bray-Curtis距离（BC）是使用最广泛的基于多度数据的β多样性度量。指标的计算公式为：BC = ∑	x_ij - x_ik	/∑(x_ij + x_ik)，其中x_ij和x_ik分别是物种i在两个样方中的多度。Bray-Curtis距离取值范围从0（完全一致）到1（完全不重叠）。它考虑了物种丰度的差异，比Jaccard和Sørensen指数提供更丰富的信息。

3.2 基于物种组成的变化

3.2.1 周转与嵌套

β多样性可进一步分解为周转（turnover）和嵌套（nestedness）两个组分。周转指物种被其他物种替换的过程，反映了环境筛选或竞争排斥导致的物种更替；嵌套指物种丰富度较低的地区是丰富度较高地区的一个子集，反映了物种的渐进性丢失。区分这两个组分有助于理解β多样性的生态成因：高周转通常出现在环境异质性高的区域，而高嵌套则常见于破碎化景观或干扰梯度下。

3.2.2 经纬度梯度分析

β多样性沿经纬度梯度的变化是宏观生态学的经典议题。一般而言，β多样性在热带地区较高，向两极递减，这与物种多样性的纬度梯度格局相对应。但不同类型生物群的β多样性纬度梯度存在差异——对于扩散能力较强的生物（如鸟类），β多样性梯度较为平缓；对于扩散能力有限的生物（如蜗牛），梯度则更为陡峭。海拔梯度上同样存在类似的β多样性变化规律。

3.3 多元分析方法

3.3.1 主坐标分析（PCoA）

主坐标分析（Principal Coordinates Analysis，PCoA）是一种用于可视化和定量分析β多样性模式的多元统计方法。它以样本间的相异性矩阵（如Bray-Curtis距离矩阵）为输入，将高维的物种组成差异投射到少数几个正交的主坐标轴上，使得研究者可以在二维或三维空间中直观地观察样本之间的相似性关系。PCoA特别适用于揭示样本沿环境梯度或处理组的聚类模式。

3.3.2 非度量多维尺度分析（NMDS）

非度量多维尺度分析（Non-metric Multidimensional Scaling，NMDS）是另一种广泛使用的β多样性可视化方法。与PCoA不同，NMDS不要求距离矩阵满足欧几里得性质，仅保留样本间相异性的顺序信息。NMDS通过迭代优化使低维空间中的点间距离顺序与原始相异性矩阵的顺序最大程度地吻合。NMDS对数据分布的假设较少，因此在生态数据（通常呈非正态、零值丰富）中表现稳健，是微生物组学研究的最爱之一。

4 尺度与层次

4.1 空间尺度

4.1.1 样方与样地

样方（quadrat）是生态调查中最基本的空间单元，通常为1m×1m、10m×10m或更大，取决于目标生物的大小和分布格局。样地（plot）由一个或多个样方组成，代表一个特定的生境类型或处理单元。在不同的空间尺度上，多样性的度量和解释会有显著差别——小尺度上物种间的竞争和局域扩散起主导作用，大尺度上气候和历史因素更为重要。

4.1.2 景观与区域

景观尺度（通常为几平方公里到数百平方公里）上的多样性度量需考虑不同生境斑块之间的配置关系。在此尺度上，β多样性成为核心关注点。区域尺度（数千平方公里以上）的多样性则更多地受生物地理历史、气候带和地质事件的影响。不同空间尺度的多样性度量结果往往不可直接比较，但可以嵌套组合以提供多层次的多样性图景。

4.2 时间尺度

4.2.1 季节动态

许多生态系统的物种组成随季节发生规律性变化，如温带森林的草本层在春季和夏季的物种组成差异显著。季节性β多样性反映了物候节律对群落结构的塑造作用。对同一地点的连续季度监测可以揭示多样性的季节周转模式，为生态系统管理提供时间维度的参照。

4.2.2 演替与长期监测

生态系统在自然演替或人为干预后，物种多样性会经历从低到高再趋于稳定的过程。长期监测数据可以量化多样性在数年至数十年尺度上的变化轨迹。例如，废弃农田向森林的演替过程中，α多样性先增加后趋于稳定，β多样性则随时间推移发生变化。长期多样性数据也是判断生态系统是否处于健康状态的重要依据。

4.3 分类层次

4.3.1 物种水平

物种水平是多样性度量最常用的分类层次。以物种为基本单元计算的各种指数构成了生态学多样性研究的基石。物种水平的度量假设物种是明确且可区分的分类实体，但在实际中，隐存种、种复合体等问题可能带来挑战。

4.3.2 属或科水平

在物种鉴定困难或数据不足的情况下，研究者有时会使用属或科水平的多样性度量。较高分类层次的多样性可以在一定程度上反映系统发育多样性，因为一个属内的多个物种通常比不同属的物种在功能上更为相似。但属或科水平的度量会丢失大量信息，通常只作为物种水平的补充手段使用。

4.3.3 功能多样性

功能多样性关注的是生物体功能性状（如叶片大小、根系深度、种子质量等）的多样性和分布范围，而非分类学身份。功能多样性度量认为，对生态系统功能而言，生物“做什么”比“叫什么”更重要。常用的功能多样性指数包括功能丰富度（FRic）、功能均匀度（FEve）和功能分散度（FDiv）。功能多样性在预测生态系统过程（如生产力、分解速率）时往往优于传统分类多样性指标。

5 应用与实践

5.1 生态系统健康评估

多样性度量是生态系统健康评估的核心工具之一。高α多样性通常指示系统稳定、功能完整，而多样性的突然下降往往是生态退化的前兆。通过对比同一区域不同时间点的多样性指数，或对比受干扰与未受干扰样地的多样性差异，生态学家能够量化生态系统的受损程度和恢复进程。例如，河流底栖动物群落的Shannon-Wiener指数低于1时，往往意味着水质严重污染。

5.2 生物多样性保护规划

在保护生物学中，多样性度量为确定保护优先级提供了定量依据。γ多样性较高的区域通常被列为保护重点；而β多样性高的地区意味着物种替代速度快，在有限的保护面积内可以涵盖更多的物种。此外，通过分析物种累积曲线和多样性热点，可以优化自然保护区网络的空间布局，实现以最小面积保护最大多样性的目标。

5.3 环境干扰影响分析

无论是自然干扰（火灾、洪水、飓风）还是人为干扰（采矿、城市化、农业开垦），多样性度量都是评估干扰影响的标尺。干扰强度与多样性之间通常存在倒U型关系（中度干扰假说）：适度的干扰可创造异质性生境，提高多样性；过度干扰则导致物种丧失，多样性下降。干扰前后多样性指数的对比分析，为环境管理和生态修复提供了科学依据。

5.4 农业与林业管理

在农业和林业中，多样性度量指导着可持续经营实践。例如，间作系统的作物多样性高于单作系统，具有更强的病虫害控制能力和稳定的产量。林业管理中，通过计算人工林与天然林的多样性差异，可以评估替代种植模式对生物多样性的影响。多样性指数还被用来评价有机农业、生态农业相对于传统农业的生态效益。

5.5 不可忽视的“梗”：当多样性指数撞上火锅食材

5.5.1 肥牛卷与金针菇的α多样性

在火锅场景中，若将一枚餐盘视为一个“样方”，盘中食材的种类数即为物种丰富度S。假设你点了肥牛卷、金针菇、土豆片和豆腐，S=4。如果每种食材的数量相同，均匀度较高，则Shannon-Wiener指数也高；但若肥牛卷占了90%的量，均匀度降低，Shannon指数也随之下降。这种“肥牛卷垄断”下的低多样性，在生态学中恰好对应着优势种过于突出的群落。因此，为了获得更高的火锅多样性体验，请均衡夹取每种食材——生态学家称之为“优化均匀度”。

5.5.2 鸳鸯锅里的β多样性

鸳鸯锅提供了两个明显不同的“生境”——辣锅与清汤锅。将两边锅中的食材组成进行对比，如果辣锅里只有牛肉、毛肚、鸭血，清汤锅里只有白菜、豆腐、虾滑，则两边的共有物种很少，β多样性高。如果两边都同时涮了土豆和金针菇，共有物种增加，β多样性降低。因此，鸳鸯锅的β多样性本质上是两种底汤对食材的“环境过滤”作用——辣锅排斥了不耐辣的蔬菜，清汤锅拒绝了重口味的内脏，由此造成了鲜明的物种组成差异。

6 局限性与发展

6.1 指数选择偏差

多样性指数的多样性（注：此说法本身包含一个“套娃式”的幽默）本身就是一个问题。同一个群落，使用不同的指数可能得出不同的排序结果。研究者有时会无意识地选择能支持自己假设的指数，导致结论偏差。例如，对同一个受干扰群落，Shannon指数可能显示多样性显著下降，而Simpson指数可能显示无显著变化。因此，权威期刊通常要求作者同时报告多个指数，并提供选择特定指数的生态学理由。

6.2 抽样与样本量问题

多样性度量对抽样强度高度敏感。在调查不充分的情况下，观察到的物种数S会严重低估真实丰富度。物种累积曲线和估计器（如Chao1、Jackknife）可用于校正抽样不足带来的偏差，但无法完全消除。此外，不同生境的可采样性差异（如热带雨林树冠层与草地）可能导致系统性的比较偏差。样本量的标准化和稀疏化处理是目前处理该问题的主流策略。

6.3 新兴方法：宏条形码与环境DNA

宏条形码（metabarcoding）和环境DNA（eDNA）技术正在深刻变革多样性度量的实践。通过对土壤、水或空气样本中的DNA进行高通量测序，研究者可以检测到传统形态学方法无法识别的物种（尤其是微生物和微小生物）。这些技术将多样性度量的边界从肉眼可见的生物扩展到了整个生物界。然而，eDNA方法也存在引物偏好、定量不准确和参考数据库不完整等局限，需要在方法学上持续优化。

6.4 机器学习在多样性度量中的应用

机器学习方法为多样性度量带来了新的可能。随机森林、支持向量机等算法可以从大量环境变量中预测多样性格局，而深度学习模型（如卷积神经网络）已能够直接从照片或图像中估算物种丰富度。聚类分析和降维算法在β多样性研究中的应用也日益成熟。机器学习的优势在于处理高维数据和复杂非线性关系，但“黑箱”问题和对训练数据质量的依赖也使其结果需要以传统方法进行交叉验证。未来，人工智能辅助的多样性自动监测系统有望实现生态多样性的实时、大范围、低成本度量。